پیشبینی شاخصهای خونی از ویدئوهای ملتحمه چشم با یادگیری عمیق
آزمایشهای خون ازجمله گستردهترین و پرکاربردترین آزمایشهای پزشکی هستند و نقش اساسی در تشخیص و پایش طیف وسیعی از بیماریها، از کمخونی و عفونتها گرفته تا نقصهای ایمنی و بدخیمیها، ایفا میکنند. با وجود اهمیت فراوان این آزمایشها در نظام سلامت، همچنان ماهیتی تهاجمی دارند، بهطوریکه نیازمند خونگیری وریدی و سپس انجام فرایندهای زمانبر آزمایشگاهی هستند.
به گزارش مدرن مد، این فرایند علاوه بر ایجاد ناراحتی برای بیماران، به نیروی انسانی ماهر، شرایط استریل و تجهیزات تخصصی نیاز دارد و هزینههای قابلتوجهی را برای حملونقل نمونهها، تجهیزات آزمایشگاهی و نیروی کار به سیستم سلامت تحمیل میکند.
همچنین تولید پسماندهای زیستپزشکی و تأخیر در دریافت نتایج آزمایش میتواند انجام مداخلات درمانی حیاتی و بهموقع را با مشکل مواجه سازد. از میان شاخصهای خونی، شمارش گلبولهای قرمز، گلبولهای سفید و اندازهگیری غلظت هموگلوبین از رایجترین آزمایشها هستند، زیرا اطلاعات ارزشمندی درباره وضعیت سلامت بیماران ارائه میدهند.
برای مثال، کمخونی که با کاهش سطح هموگلوبین مشخص میشود، یکی از شایعترین مشکلات سلامت در جهان است و حدود ۳۰ درصد جمعیت جهان را تحتتأثیر قرار میدهد. کودکان و زنان بیش از سایر گروهها در معرض خطر هستند، بهطوری که بر اساس گزارش سازمان جهانی بهداشت، حدود ۴۰ درصد کودکان و ۳۷ درصد زنان باردار به کمخونی مبتلا هستند.
این بیماری در کشورهای کمدرآمد و با درآمد متوسط، بهویژه در مناطق روستایی با دسترسی محدود به خدمات سلامت، شیوع بیشتری دارد و سالانه منجر به ازدسترفتن حدود ۵۰میلیون سال زندگی سالم در سراسر جهان میشود. یک روش غیرتهاجمی و قابلاستفاده در محل مراقبت برای اندازهگیری این پارامترهای حیاتی خون میتواند تحول بزرگی در مراقبتهای سلامت ایجاد کند، زیرا امکان تشخیص سریع، در دسترس و کمهزینه را بهویژه برای جمعیتهای محروم فراهم میسازد.
حسگرهای نوری نوک انگشت که هموگلوبین را بر اساس جذب نور در طول موجهای مختلف تخمین میزنند، همبستگی بین ۰٫۶۷ تا ۰٫۹ با مقادیر آزمایشگاهی هموگلوبین نشان دادهاند و بهعنوان جایگزینی امیدوارکننده برای خونگیری وریدی مطرح شدهاند. بااینحال، این روشها نسبت به حرکت بیمار حساس هستند. حلقههای مبتنی بر طیفسنجی انسدادی پایداری بیشتری دارند، اما در مطالعات بزرگ حساسیت و ویژگی متوسطی از خود نشان دادهاند.
همچنین دستگاههای طیفسنجی قابلحمل مانند EZECheck با وجود گزارشهای امیدوارکننده از نظر دقت، تحتتأثیر عواملی مانند سلامت پوست، رنگدانههای پوستی و دمای بدن قرار میگیرند. علاوه بر این، هیچیک از این دستگاههای کنار تخت بیمار قادر به اندازهگیری تعداد گلبولهای قرمز یا سفید نیستند و همه آنها بافتهای محیطی بدن را بررسی میکنند، بافتهایی که میزان خونرسانی آنها ممکن است تحتتأثیر شرایط محیطی بهشدت تغییر کند.
در سالهای اخیر، مدلهای یادگیری عمیق که بر روی تصاویر فوندوس شبکیه چشم اعمال شدهاند، در تشخیص کمخونی عملکرد بسیار خوبی داشته و مقادیر بالایی از AUC را گزارش کردهاند، اما این روشها به تجهیزات گرانقیمت چشمپزشکی و همکاری فعال بیمار نیاز دارند.
از سوی دیگر، تصاویر ثابت با بزرگنمایی کم از ملتحمه پلکی یا ملتحمه کره چشم هزینه کمتری دارند، اما روشهای موجود که بر ویژگیهای رنگی متکی هستند، فاقد اطلاعات همودینامیک و زمانی جریان خون هستند. تلاشهای قبلی برای پیشبینی غیرتهاجمی تعداد RBC یا WBC با استفاده از روشهایی مانند توموگرافی انسجام نوری مخاط لب، طیفسنجی دینامیک نوک انگشت یا میکروسکوپی کانفوکال، هنوز در حد مطالعات اولیه باقی ماندهاند و دادههای قابلاعتماد و تکرارپذیری درباره دقت آنها در دسترس نیست.
بنابراین، توسعه فناوری که بتواند جریان خون مویرگی را با استفاده از تجهیزات تصویربرداری ارزانقیمت ثبت کند و همزمان از تواناییهای یادگیری عمیق برای تحلیل اطلاعات مکانی و زمانی بهره ببرد، میتواند شکاف مهمی را در تشخیص پزشکی پر کند. در این مطالعه، رویکرد جدیدی برای پیشبینی غیرتهاجمی سطح هموگلوبین و تعداد گلبولهای قرمز خون از طریق ویدئوهای ملتحمه کره چشم که با یک دوربین RGB معمولی ثبت شدهاند، ارائه میشود. ملتحمه کره چشم بهعنوان ناحیه مورد مطالعه انتخاب شد، زیرا رنگ زمینه آن در میان گروههای قومی مختلف نسبتاً ثابت است، برخلاف پوست که میزان رنگدانههای آن در افراد متفاوت است.
این ویژگی بهدلیل تراکم پایین ملانوسیتها در صلبیه و ملتحمه کره چشم نسبت به اپیدرم پوست است. درنتیجه، ارزیابیهای نوری مبتنی بر صلبیه کمتر تحتتأثیر جذب نور توسط ملانین قرار میگیرند، عاملی که معمولاً تخمین هموگلوبین را در فناوریهای مبتنی بر پوست یا انگشت دشوار میکند.
برای این منظور، سامانهای با نام Video-to-Vessels توسعه داده شد. این سامانه ابتدا با استفاده از الگوریتم LoFTR پایدارسازی زیرپیکسلی ویدئو را انجام میدهد تا حرکات بسیار کوچک چشم جبران شوند. سپس با بهرهگیری از شبکه FR-UNET که از پیش بر روی تصاویر عروق شبکیه آموزش دیده است، رگهای خونی را در فریمهای همترازشده قطعهبندی میکند.
درنهایت، اطلاعات مکانی و زمانی جریان خون در هر رگ استخراج و به نمایش فشردهای تبدیل میشود که حدود ۲۰۰ برابر کوچکتر از ویدئوی خام است. بر اساس این نمایشهای عروقی، مجموعه دادهای شامل ۲۲۴ شرکتکننده ایجاد شد. از هر فرد چندین نمونه عروقی استخراج شد و تمامی این نمونهها با مقادیر آزمایشگاهی همان روز شامل سطح هموگلوبین و تعداد گلبولهای قرمز برچسبگذاری شدند.
سپس شبکه VesselNet که نسخهای اصلاحشده از معماری ConvNeXt برای مسائل رگرسیونی است، بر روی این دادهها آموزش داده شد. این شبکه اطلاعات حاصل از چندین رگ خونی یک بیمار را تجمیع کرده و یک برآورد نهایی در سطح بیمار برای هموگلوبین و تعداد گلبولهای قرمز ارائه میدهد. نتایج نشان میدهد که VesselNet برای پیشبینی هموگلوبین به ضریب همبستگی اسپیرمن ρ = 0.47 و برای پیشبینی تعداد گلبولهای قرمز به ρ = 0.46 دست یافته است.
همچنین در تشخیص کمخونی عملکرد قابلتوجهی داشته و AUC برابر با 82.8 درصد را ثبت کرده است. ازآنجاکه کل این فرایند تنها به یک دوربین معمولی و پردازش خودکار تصاویر نیاز دارد، این فناوری میتواند مسیر مناسبی برای غربالگری خودکار، پایش گسترده جمعیتها و نظارت اپیدمیولوژیک بر شاخصهای خونی در مقیاس بزرگ فراهم کند. شکل ۱ نمای کلی این فرایند را نشان میدهد، از مرحله ثبت ویدئوی ملتحمه کره چشم، عبور از خط لوله Video-to-Vessels و درنهایت استفاده از VesselNet برای تخمین مقادیر هموگلوبین یا تعداد گلبولهای قرمز خون.
شکل 1. رگرسیون غیرتهاجمی بر اساس یادگیری عمیق برای غلظت هموگلوبین یا شمارش گلبولهای قرمز خون از طریق تحلیل فضایی- زمانی رگها
برای ارزیابی نتایج رویکرد، دادههایی از ۲۲۴ داوطلب جمعآوری شد. فیلمهای ۱۰ثانیهای از پیوندگاه کرهای هر دو چشم، با بزرگنمایی ۵۰ برابر (قطر عدسی ۴.۵)، با وضوح ۱۲۹۶ در ۹۷۲ پیکسل (۵ میکرومتر) و نرخ فریم ۳۳ فریم بر ثانیه ضبط شدند.
هر فیلم با استفاده از چارچوب فیلم به رگها در 6 مرحله پیشپردازش شد. بهطور خلاصه، قطعات ۵ ثانیهای ویدیو (شامل ۱۶۰ فریم) که متمرکزترین و روشنترین بخش را داشتند، استخراج شدند. این فریمها با استفاده از یک مدل تطبیق ویژگی مبتنی بر ترانسفورمر عمیق به نام LoFTR، تثبیت جهانی شدند، بهطوری که همترازی بین فریمهای خارج از محدوده بر اساس تعداد تطبیقها نادیده گرفته شد. سپس ویدیوهای تثبیتشده به پچهای (قطعات) ۱۲۸×۱۲۸ پیکسلی تقسیم شدند که با روشی مشابه بهصورت محلی تثبیت گردیدند.
رگهای خونی با استفاده از یک مدل FR-UNET پیشآموزشدیده (که در ابتدا برای رگهای شبکیه آموزش دیده بود)، بخشبندی شدند. خروجی بخشبندی با حذف نویز زمانی و اعمال یک فیلتر حداقل طول، اصلاح شد. درنهایت، هر رگ به یک نمایش میانه رگ تبدیل شد که ابعاد ۱۶۰×۸۰ پیکسل داشت. در این نمایش، بعد اول نمایانگر خط میانی رگ در طول آن و بعد دوم، تغییرات زمانی را دنبال میکند.
شبکه عصبی عمیق برای تخمین هموگلوبین یا گلبولهای قرمز خون با استفاده از شبکه VesselNet
برای پاییننگهداشتن ابعاد دادهها و درعینحال بالابودن میزان اطلاعات بیمار، هر نمونه شامل ۱۶ رگ بود که بهصورت تصادفی از بیمار انتخاب شده بودند. از این نمونهها برای آموزش شبکه VesselNet جهت پیشبینی سطح هموگلوبین یا شمارش گلبولهای قرمز بیمار استفاده شد. برای هر دو زیستنشانگر از یک معماری مدل یکسان استفاده شد. ورودی مدل شامل ۱۶ رگ از یک بیمار و ویژگیهای ضخامت آنها بود. یک روش اعتبارسنجی متقاطع برای آموزش۲۰ مدل مختلف روی ۲۰ گروه متفاوت از بیماران اعمال شد، بهطوری که در هر مرتبه، ۱۰٪ از بیماران فقط برای ارزیابی کنار گذاشته میشدند. برای ارزیابی هموگلوبین، ضریب همبستگی اسپیرمن معادل ۰.۴۷ (فاصله اطمینان: ۰.۳۵ – ۰.۵۸) به دست آمد.
نتایج طبقهبندی
در مرحله بعد، توانایی VesselNet برای تمایز بین افراد سالم و بیماران مبتلا به کمخونی یا دارای تعداد پایین گلبولهای قرمز خون مورد ارزیابی قرار گرفت. برای تشخیص کمخونی که بهصورت هموگلوبین کمتر از 11 گرم بر دسیلیتر تعریف شده بود، مدل به مساحت زیر منحنی برابر با 82.8 درصد دست یافت.
در مرحله بعد، تأثیر ضخامت رگ بر نتایج رگرسیون هموگلوبین تحلیل شد. اگرچه رگهای باریکتر معمولاً با فوکوس کمتری نسبت به رگهای پهنتر ثبت میشوند، اما فرض شد که رگهای باریکتر ممکن است حاوی اطلاعات حیاتی برای پیشبینی هموگلوبین باشند. رگهای نازک عمدتاً متناظر با رگهای خونی میکروسکوپی پیوندگاه، مویرگها و وریدولهای پسازمویرگی هستند، جایی که گلبولهای قرمز و گلبولهای سفید بهصورت جریان تکخطی (تکبهتک) عبور میکنند.
این موضوع کنتراست همودینامیکی واضحتر و سیگنالهای نوری مرتبط با هموگلوبین قویتری ایجاد میکند که میتواند دقت پیشبینی را افزایش دهد. ایدهآلترین حالت این است که مدل ما بتواند سطوح هموگلوبین را از تمام رگهای ثبتشده با حجم نمونه بسیار بزرگ پیشبینی کند. بااینحال، استفاده از تمام رگها، ابعاد مسئله را بهشدت نسبت به مقدار محدود دادههای جمعآوریشده در این مطالعه افزایش میدهد که میتواند منجر به بیشبرازش شود.
برای بررسی تعادل میان ضخامت رگ و اندازه مجموعه داده، سه مدل با معماری یکسان آموزش داده شد که هر کدام از زیرمجموعه متفاوتی از رگها بر اساس ضخامت استفاده میکردند: رگهای نازک (عرض کمتر یا مساوی هشت پیکسل)، رگهای ضخیم (عرض بیشتر از هشت پیکسل) و تمام رگها بدون فیلترکردن بر اساس ضخامت.
همبستگی بین پیشبینیهای مدل و نتایج آزمایشگاهی برای مدلی که بر روی رگهای نازکتر آموزش دیده بود، بهطور قابلتوجهی بهتر بود (با ضریب همبستگی اسپیرمن ρ برابر با ۰.۴۷ در مقایسه با ضریب ۰.۳ برای مدلی که بر روی رگهای ضخیم آموزش دیده بود). علاوه بر این، مدلی که بدون فیلترکردن بر اساس ضخامت رگ آموزش دیده بود، علیرغم اینکه بر روی تقریباً دو برابر تعداد رگها آموزش دیده بود، از نظر ضریب همبستگی اسپیرمن و مساحت زیر منحنی عملکرد ضعیفتری داشت. این موضوع نشان میدهد که رگهای ضخیمتر نسبت به رگهای نازکتر دارای نسبت سیگنال به نویز پایینتری هستند و عملکرد مدل زمانی که صرفاً بر روی رگهای نازک آموزش داده شود، بهبود مییابد.
آستانه ۸ پیکسل پس از مشاهده توزیع ضخامت رگها انتخاب شد. محدودیت بالای انتخابشده برای عرض رگ، تقریباً ۸ پیکسل، تحتتأثیر هم توزیع تجربی و هم ملاحظات فیزیولوژیکی بود. در این ویدیوها، ۸ پیکسل معادل تقریبی ۲۸ میکرومتر است که کمی بالاتر از محدوده متوسط برای مویرگهای پیوندگاه کرهای است و احتمالاً نماینده وریدولهای کوچک یا رگهای میکروسکوپی بزرگتر است، نه مویرگها، اما همچنان در محدوده کامل گزارششده برای قطر رگهای میکروسکوپی این بافت قرار دارد.
پیشبینی شده که آستانه ۸پیکسلی بهطور مؤثری رگهای میکروسکوپی ظریف که جریان سلولی نزدیک به تکخطی را نشان میدهند، از رگهای خونی بزرگتر پیوندگاه که نویز نوری و آرتیفکتهای حرکتی بیشتری دارند، جدا کند. توجه داشته باشید که میانه ضخامت رگ ۷.۹۴ پیکسل است.
این بدان معناست که مدلها بر روی تعداد تقریباً یکسانی از رگها آموزش دیدهاند و این موضوع نشان میدهد که تفاوتهای حاصل در نتایج مدل بهدلیل مقدار داده نیست، بلکه ناشی از بهبود نسبت سیگنال به نویز است که زمانی حاصل میشود که مدل صرفاً بر روی رگهای نازک آموزش داده شود. با جداسازی و تأکید بر رگهای نازک، رویکرد ما از مفیدترین ویژگیها در ویدیوهای پیوندگاه کرهای بهره میبرد. توانایی در افزایش دقت پیشبینی هموگلوبین با انتخاب رگها بر اساس ضخامت، اثربخشی رویکرد یادگیری عمیق را در برآورد بیومارکرهای خون غیرتهاجمی بیشتر تأیید میکند.
یادگیری چند نمونهای در VesselNet
بهمنظور سنجش مزیت استفاده از یادگیری چندنمونهای در VesselNet، که در آن هر نمونه شامل چندین رگ خونی است، چندین آزمایش اعتبارسنجی متقاطع انجام شد که در هر کدام اندازه کیسهها (تعداد رگها در هر نمونه) متفاوت بود. ما دریافتیم که استفاده از ۱۶ رگ در هر نمونه، منجر به بیشترین همبستگی بین تخمینهای VesselNet و نتایج آزمایشگاهی و همچنین بیشترین مساحت زیرمنحنی برای تشخیص کمخونی میشود. بدینترتیب، برای اندازه کیسه ۱۶ رگی، ضریب همبستگی اسپیرمن (ρ) برابر با ۰.۴۷ به دست آمد، درحالیکه برای اندازه کیسه شامل یک رگ تنها، این ضریب ۰.۴۲ بود. علاوه بر این، اندازه کیسه ۱۶ رگی، مساحت زیرمنحنی برابر با ۸۲.۸٪ در مقایسه با ۷۸.۵٪ برای اندازه کیسه یک رگی برای تشخیص کمخونی به همراه داشت.
نتایج مدل Vision Transformer
این مطالعه یک مدل Vision Transformer را با تنظیمات شامل اندازه پچ ۸×۸ پیکسل، فضای برداری با ابعاد ۵۱۲ و ۸ سر توجه برای پیشبینی غلظت هموگلوبین ارزیابی کرد. علیرغم انعطافپذیری مکانیسم توجه متقابل ، این رویکرد مبتنی بر ترانسفورمر عملکرد ضعیفتری نسبت به VesselNet دارد که بر پایه کانولوشن استوار است. بهطور مشخص، مدل ViT برای برآورد هموگلوبین تنها به ضریب همبستگی اسپیرمن برابر با ۰.۴۰ و مساحت زیر منحنی برای تشخیص کمخونی معادل ۸۰.۰٪ دست یافت، درحالیکه هسته ConvNeXt در VesselNet به معیارهای پیشبینی بهتری دست یافت.
بحث و نتیجهگیری
در این پژوهش، رویکرد جدیدی برای پیشبینی سطوح هموگلوبین و شمارش گلبولهای قرمز از طریق ویدیوهای پیوندگاه کرهای با استفاده از یک دوربین RGB ساده ارائه شد. این روش با بهکارگیری یک چارچوب یادگیری عمیق برای استخراج اطلاعات چندین رگ خونی و پس از آن یک مدل رگرسیون عمیق عمل میکند.
به اطلاع میرساند که این نخستین مطالعهای است که از تکنیکهای یادگیری عمیق بر روی مجموعهدادهای از ویدیوهای رگهای خونی پیوندگاه کرهای برای پیشبینی سطوح هموگلوبین و شمارش گلبول های قرمز خون استفاده میکند. این کار، راههای جدیدی را برای تحقیقات پزشکی درزمینه رگهای خونی قابلمشاهده در پیوندگاه کرهای انسان باز میکند، بهطور بالقوه، کارهای آینده میتوانند از این رویکرد برای پیشبینی غیرتهاجمی بیومارکرهای اضافی استفاده کنند.
با استفاده از این رویکرد، ما توانستیم بهطور میانگین ۴۱ رگ را از هر ویدیو استخراج کرده و بدینترتیب، علیرغم چالشهای ناشی از حجم نمونه کوچک، مجموعهدادهای بزرگ و متنوع از رگهای خونی ایجاد کنیم. مجموعهداده مورد مطالعه چالشهای متعددی داشت، ازجمله حجم کم دادهها، فقدان دادههای طولی، ابعاد بالا بودن، بخشهای فاقد فوکوس و نویزی، پلکزدن، نورپردازیهای متفاوت و غیره.
معماریای طراحی شد که تغذیه شبکه عصبی با اطلاعات حاصل از سطح وسیع چشم را تسهیل میکند، درحالیکه ابعاد دادهها را پایین نگه میدارد. علاوه بر پیشبینی مقادیر هموگلوبین، کاربرد گستردهتر این رویکرد با تخمین شمارش گلبولهای قرمز نشان داده شد. پیشبینی چندین پارامتر خونی از ویدیوهای رگهای پیوندگاه کرهای میتواند قابلیتهای تشخیصی غیرتهاجمی را بهطور قابلتوجهی ارتقا دهد. علاوه بر این، ثبات این چارچوب برای چندین بیومارکر خونی یعنی RBC وHb، استحکام این رویکرد را با استفاده از مجموعهداده یکسان استخراجشده برجسته میکند و راههای جدیدی را برای استفاده از دادههای چشمی جهت کسب اطلاعات حیاتی سلامت باز میکند.
مطالعات حذفی ما نشان میدهد که رگهای نازک اطلاعات بیشتری برای پیشبینی هموگلوبین نسبت به رگهای ضخیم دارند. این رگهای نازک به احتمال زیاد متناظر با مویرگهای باریک هستند که بهدلیل عرض کم، گلبولهای قرمز فردی معمولاً بهصورت تکخطی (یکی در میان) از آنها عبور میکنند که این امر دید مستقیمی از جریان گلبولهای خونی فراهم میکند.
یافتههای این مطالعه مبنی بر عدم امکان دستیابی به شمارش گلبولهای سفید به احتمال زیاد ناشی از تعداد کم ویدیوهایی است که با رگهای خونی نازک فوکوسشدهای ضبط شدهاند که امکان تشخیص سلولهای فردی در جریان خون را فراهم میکنند.
پیشبینی میشود که طراحی دوربین با وضوح (رزولوشن) بالا و ظرفیت تصویربرداری با بزرگنمایی بیشتر، امکان تعیین غیرتهاجمی بیومارکرهای خونی اضافی، ازجمله گلبولهای سفید را فراهم کند. محدودیتهای دیگر این مطالعه شامل اندازه کوچک مجموعهداده و جمعیت مطالعهای از افراد سفیدپوست به سن ۱۸ سال و بالاتر است.
در این مطالعه، اکثر بیماران مبتلا به کمخونی ناشی از شرایط هماتوانکولوژیک بودند که منجر به نمایش ناکافی سایر اتیولوژیهای خونی، بهویژه کمخونی فقر آهن، که شایعترین شکل کمخونی در عمل بالینی بهویژه در مراکز سرپایی است. تحقیقات آینده شامل جمعیتهای بزرگتر و متنوعتر، ازجمله بیماران مبتلا به کمخونی فقر آهن و آزمایشهای مکرر خواهد بود تا یافتههای ما اعتبارسنجی و گسترش یابد.
ازآنجاکه رنگ پسزمینه سفیدی چشم در گروههای نژادی مختلف مشابه است، انتظار نمیرود که رنگدانه پوست بر نتایج تأثیر بگذارد. اثر شرایط بیماریزا مانند یرقان (زردی) بر دقت تشخیص بیومارکر، باید در مطالعات آینده ارزیابی شود. علاوه بر این، یک تحلیل وزندهی اهمیت انجام شد که عملکرد را در جمعیتهای سفیدپوست غیرلاتینتبار و سیاهپوست غیرلاتینتبار شبیهسازی میکند.
این تحلیل، مقادیر مساحت زیرمنحنی را در بازه ۸۲.۹٪ تا ۸۹.۳٪ نشان داد که نشان میدهد عملکرد تمایزی مدل ما در برابر تغییرات سطح جمعیتی در شیوع کمخونی و توزیع هموگلوبین، مقاوم است. اگرچه این شبیهسازیها بر فرض عدم تغییرپذیری فیزیولوژیکی تکیه دارند، باید متذکر شویم که این کوهورت طیف وسیعی از مقادیر هموگلوبین را در بر میگیرد که توزیعهای جمعیتهای هدف را پوشش میدهد.
توانایی حاصله مدل در بازگشت دقیق بیومارکرها در این طیف گسترده (شکل ۴) نشان میدهد که مدل سیگنالهای همودینامیکی اساسی را ثبت میکند، نه متغیرهای مخدوشکننده جمعیتشناختی. تأیید یافتههای ما در گروههای نژادی متنوع و بیماریهای متمایز، هدف حیاتی برای مطالعات آینده رو به جلو باقی میماند.
پیشبینی میشود این فناوری مبتنی بر دوربین درنهایت به یک دستگاه سبک و قابلحمل توسعه یابد که برای استقرار در نقطه خدمت در کلینیکهای سرپایی، مانند کلینیکهای اطفال و احتمالاً در محیطهای مراقبت خانگی مناسب باشد. رویکرد ما لزوماً نباید بهعنوان جایگزین مستقیم برای اندازهگیری آزمایشگاهی شمارش گلبول های قرمز یا ارزیابی غلظت هموگلوبین عمل کند. در عوض، ممکن است بهعنوان یک ابزار غربالگری اولیه برای تحریک آزمایشهای تأییدی آزمایشگاهی یا امکانپذیرکردن پایش طولی مکرر و غیرتهاجمی هموگلوبین و شمارش گلبولهای قرمز خدمت کند.
این فناوری میتواند بهعنوان یک ابزار کمکی برای تریاژ و تصمیمگیری اولیه عمل کرده و به تعیین زمان نیاز به ارزیابی یا مداخله پزشکی اضافی چه در خانه و چه در محیطهای میدانی کمک کند. این پیشرفت در آزمایشهای خون غیرتهاجمی ممکن است راه را برای راهحلهای بهداشتی کارآمدتر و در دسترستر بهویژه در محیطهایی با منابع محدود هموار کند.
Reference
1. Denis.T, Praisman.E, Zag.A, “Towards noninvasive blood count using a deep learning pipeline from bulbar conjunctiva videos”, npj Digit. Med.(2026).
تهیه و تنظیم: دکتر ندا کفاش
